Numerically Consistent Non-Boussinesq Subgrid-scale Stress Model with Enhanced Convergence

Este artículo presenta un modelo de tensión de subescala numéricamente consistente y no Boussinesq para la simulación de grandes remolinos que aprovecha la asimilación de datos y el aprendizaje multitarea para lograr una convergencia mejorada y predicciones superiores de capas límite turbulentas bajo gradientes de presión adversos en comparación con el modelo de Smagorinsky dinámico.

Lo esencial

Imagina que estás intentando predecir cómo fluye un río alrededor de una curva rocosa. Si intentas calcular el movimiento de cada una de las moléculas de agua, a una supercomputadora le tomaría siglos terminar la tarea. Esto es lo que los científicos llaman "Simulación Numérica Directa" (DNS, por sus siglas en inglés). Es perfecta, pero demasiado lenta para la ingeniería del mundo real.

Por eso, los ingenieros utilizan un atajo llamado Simulación de Remolinos Grandes (LES). Esto es como observar el río desde un helicóptero. Puedes ver claramente los grandes remolinos y la corriente principal, pero las pequeñas ondulaciones y turbulencias son demasiado pequeñas para verlas. Para que la simulación funcione, necesitas un "Modelo de Escala de Subrejilla (SGS)". Este modelo es un "guardián de conjeturas" que dice: "Está bien, no puedo ver las pequeñas ondulaciones, pero sé que existen, así así que añadiré un poco de 'fricción' a mi cálculo para tenerlas en cuenta".

Durante décadas, estos modelos han sido como usar un ajuste de fricción genérico y único para todos. Funcionan bien en ríos simples, pero cuando el agua se vuelve turbulenta, golpea una rampa o fluye alrededor de una forma compleja, estos modelos genéricos suelen fallar. Pueden predecir que el agua se ralentiza cuando debería acelerar, o pueden confundirse a medida que intentas hacer la simulación más detallada.

El Problema: La Paradoja del "Zoom"
Normalmente, si haces una simulación por computadora más detallada (añades más puntos de rejilla, como si hicieras zoom con una cámara), la respuesta debería mejorar. Pero con estos modelos antiguos, a veces hacer la rejilla más fina hace que la predicción sea realmente peor. Es como intentar arreglar una foto borrosa añadiendo más píxeles, pero el software solo añade más ruido. Esto se llama "convergencia no monotónica", y es un gran dolor de cabeza para los ingenieros.

La Solución: Un Entrenador Inteligente y Personalizado
Los autores de este artículo, Ling y Lozano-Duran, crearon un nuevo tipo de modelo SGS utilizando Aprendizaje Automático (Machine Learning). En lugar de adivinar la fricción, enseñaron a una computadora a aprender la "fricción" exacta necesaria observando una simulación perfecta (los datos de la DNS) e intentando imitarla.

Así lo hicieron, usando tres analogías sencillas:

1. El Entrenador de "Empujoncitos" (Nudging)
Imagina que estás aprendiendo a montar en bicicleta, pero solo tienes un mapa borroso del camino. Un enfoque de "empujoncitos" (nudging) es como tener a un entrenador parado junto a ti. Cada vez que te desvías del camino perfecto (los datos de la DNS), el entrenador te da un suave empujón (un "empujoncito") para regresarte al camino.
En este artículo, la computadora ejecuta una simulación y recibe un empujón hacia los datos perfectos. La computadora entonces registra qué tan fuerte tuvo que empujar para mantenerse en el camino. Este "fuerza de empuje" se convierte en los datos de entrenamiento para el nuevo modelo. El modelo aprende: "Cuando el agua se ve de esta forma, necesito empujar con esta fuerza".

2. La Caja de Herramientas "No Boussinesq"
Los modelos antiguos eran como un martillo: solo sabían empujar las cosas en una dirección (como una fricción simple). Pero el flujo del agua real es complejo; gira, se retuerce y rota.
Los autores construyeron un nuevo modelo que es más parecido a una Navaja Suiza. En lugar de una sola herramienta, utiliza un enfoque "tensorial", lo que significa que tiene diferentes herramientas para diferentes direcciones. Puede manejar el giro y la rotación del agua mucho mejor que los viejos modelos de "martillo". Lo llaman una formulación "no Boussinesq", que es solo una forma elegante de decir: "Dejamos de asumir que el agua se comporta de forma simple y empezamos a tratarla como el fluido complejo y retorcido que realmente es".

3. El Estudiante de "Multitarea"
Este es el mayor avance de este artículo. Normalmente, cuando entrenas un modelo de aprendizaje automático, solo le dices que sea "preciso". Pero los autores se dieron cuenta de que, para que esto funcione, el modelo necesita aprender una lección específica: "A medida que te vuelvas más detallado, debes ser más preciso".
Utilizaron una estrategia llamada "Aprendizaje Multitarea" (Multi-Task Learning). Imagina a un estudiante tomando tres exámenes: uno fácil (rejilla gruesa), uno medio y uno difícil (rejilla fina).

• Forma antigua: El profesor los califica a todos por igual. El estudiante puede sacar una nota excelente en el examen fácil, pero reprobar el difícil.
• Nueva forma: El profesor le dice al estudiante: "El examen difícil importa 100 veces más que el fácil".
  Al ponderar los datos de entrenamiento de esta manera, el modelo se ve obligado a priorizar el acierto en los detalles finos. Esto asegura que, a medida que hagas zoom (refines la rejilla), la respuesta sea cada vez mejor, nunca peor.

Los Resultados
Probaron este nuevo modelo en un flujo turbulento que golpea una rampa (como el aire fluyendo sobre un ala que está inclinada hacia arriba).

• Precisión: Predijo la velocidad del aire y la presión en la pared mucho mejor que el modelo estándar "Smagorinsky Dinámico" (el estándar actual de la industria).
• Convergencia: Lo más importante es que, cuando hicieron la rejilla más fina, el error disminuyó de manera constante. La "paradoja del zoom" se resolvió. El modelo se comportó exactamente como debería comportarse una buena simulación: más detalle equivale a mejores resultados.

En Resumen
Los autores construyeron un modelo de IA más inteligente y flexible para simular fluidos turbulentos. Al enseñarle con una técnica de "empujoncitos", darle un kit de herramientas tipo "Navaja Suiza" en lugar de un simple martillo, y obligarlo a priorizar los detalles finos mediante pesos de entrenamiento especiales, crearon un modelo que es tanto más preciso como más fiable a medida que las simulaciones se vuelven más detalladas.

Resumen técnico

Resumen Técnico: Modelo de Estrés de Subrejilla No Boussinesq Numéricamente Consistente con Convergencia Mejorada

Planteamiento del Problema
La simulación de grandes escalas con modelado de pared (WMLES) ofrece una alternativa computacionalmente eficiente a la simulación numérica directa (DNS) para flujos industriales con números de Reynolds elevados. Sin embargo, los modelos de subrejilla (SGS) convencionales suelen depender de aproximaciones físicas (por ejemplo, cierres de viscosidad de eddy lineales) y ajustes empíricos que fallan en escenarios de flujo complejos, como aquellos con gradientes de presión adversos (APG) o separación. Una limitación crítica en la práctica actual de WMLES es la convergencia no monotónica de las soluciones a medida que se refinan las mallas; los errores derivados de la interacción entre el modelado SGS, la discretización numérica y los modelos de pared pueden causar que las predicciones se deterioren en lugar de mejorar con el refinamiento de la malla. Además, los modelos SGS basados en aprendizaje automático (ML) existentes suelen tener dificultades en pruebas a posteriori, ya que son entrenados típicamente con datos de DNS filtrados (a priori), lo cual es inconsistente con los errores numéricos inherentes a los resolvedores de LES. Si bien los enfoques de asimilación de datos como el modelo Building-Block Flow (BFM) han mostrado resultados prometedores, las iteraciones anteriores estaban restringidas a configuraciones con una sola dirección inhomogénea (por ejemplo, flujos de canal) y presentaban dificultades en flujos con separación.

Metodología
Este estudio extiende el marco de asimilación de datos de Ling y Lozano-Duran (2025) para desarrollar un modelo SGS basado en ML, numéricamente consistente, para capas límite turbulentas (TBL) bajo un APG, una configuración que presenta dos direcciones inhomogéneas. La metodología consta de tres pasos principales:

1. Estadísticas de Referencia y Nudging: Los autores utilizan una DNS de una TBL con APG (con un ángulo de rampa de $5^\circ$ y $Re_\theta = 670$) para definir las estadísticas objetivo. En lugar de asimilar trayectorias completas, lo cual es un problema mal planteado para sistemas de grano grueso, emplean un enfoque de nudging estadístico. Se añade un término de fuerza correctiva ($F_{nudging}$) a las ecuaciones de cantidad de movimiento de la WMLES para conducir el perfil de velocidad media hacia el objetivo de la DNS. Esto genera una fuerza objetivo numéricamente consistente ($F_{target}$) que tiene en cuenta los errores de discretización específicos del resolvedor (charLES, un código de volúmenes finitos acelerado por GPU).
2. Formulación del Modelo No Boussinesq: Para abordar las limitaciones de los modelos de viscosidad de eddy lineales en flujos complejos, los autores adoptan una formulación de tensión SGS tensorial no Boussinesq. El modelo predice el tensor de tensión $\tau^{SGS}$ utilizando dos términos: un término de tasa de deformación estándar y un término de tensor de rotación ($SR - RS$). Los coeficientes para estos términos están parametrizados por una red neuronal de perceptrón multicapa (MLP). Las entradas de la red son invariantes adimensionales derivadas de los tensores de deformación ($S$) y rotación ($R$), seleccionadas mediante un enfoque de teoría de la información (teorema de Buckingham-$\pi$) para maximizar el poder predictivo.
3. Aprendizaje Multitarea con Convergencia Mejorada: El modelo se entrena utilizando una estrategia de aprendizaje supervisado que minimiza una función de pérdida combinada. Esta pérdida incluye un término de coincidencia de fuerza (para reproducir $F_{target}$) y un término de coincidencia de disipación (para asegurar que el modelo disipe energía de manera consistente con el modelo base Dynamic Smagorinsky, DSM). Crucialmente, los autores implementan una estrategia de aprendizaje multitarea donde los datos de entrenamiento de tres resoluciones de malla diferentes (gruesa, media, fina) se ponderan de manera distinta. Al asignar pesos más altos a las mallas más finas, el proceso de entrenamiento impone explícitamente un comportamiento de convergencia monotónica, abordando el problema donde las mallas más gruesas a veces arrojan errores menores que las mallas más finas en los modelos convencionales.

Contribuciones Clave

• Extensión a Dos Direcciones Inhomogéneas: El marco se generaliza desde flujos de canal de una sola dirección hacia TBL con APG, acomodando una física más rica y movimientos medios secundarios.
• Formulación No Boussinesq: La adopción de un modelo SGS tensorial con un término de rotación va más allá de la hipótesis de Boussinesq, capturando mejor las anisotropías de tensión complejas.
• Pérdida de Coincidencia de Disipación: Se introduce un componente específico de pérdida para restringir la disipación de energía del modelo, un requisito estadístico que se ha demostrado esencial para capturar la separación de cuerpos romos.
• Entrenamiento con Convergencia Mejorada: La integración de la ponderación dependiente de la resolución en la función de pérdida se propone como un mecanismo para forzar la convergencia de malla monotónica, una propiedad que suele estar ausente en los modelos SGS basados en datos estándar.

Resultados
Las pruebas posteriori se realizaron en el caso de la TBL con APG utilizando el modelo entrenado en comparación con el modelo Dynamic Smagorinsky (DSM) y la simulación optimizada por nudging.

• Precisión: El modelo propuesto supera significamente al DSM en la predicción de perfiles de velocidad media y tensión de la pared (fricción superficial), logrando resultados comparables a la predicción optimizada por nudging. En algunas regiones, el modelo pareció superar a la simulación con nudging, probablemente debido a la cancelación de errores entre el SGS y los modelos de pared.
• Convergencia: El estudio demostró que la estrategia de entrenamiento de "pesos iguales" resultó en una convergencia no monotónica (donde la malla más gruesa tenía el error más bajo). En contraste, la propuesta estrategia de "pesos desiguales" (priorizando las mallas más finas) logró recuperar una tendencia de convergencia monotónica y consistente a medida que se refinaba la malla, aunque la malla más fina permaneció sub-resuelta.

Significado y Reivindicaciones
El artículo presenta una prueba de concepto para un enfoque de modelado SGS basado en datos que es numéricamente consistente con el resolvedor de flujo y capaz de manejar configuraciones de flujo complejas y multidireccionales. Los autores afirman que, al integrar el nudging estadístico con una formulación no Boussinesq y una estrategia de aprendizaje multitarea, han abordado dos desafíos persistentes en WMLES: la inexactitud de los cierres lineales en flujos complejos y la convergencia no monotónica de las soluciones numéricas. El trabajo sugiere que promover explícitamente la convergencia monotónica a través de la ponderación de la función de pérdida de entrenamiento es una vía viable hacia modelos de SGS basados en ML más robustos y listos para producción. El estudio reconoce las limitaciones, señalando que el esquema de nudging actual es escalar (solo en la dirección de la corriente) y que se requiere trabajo futuro para extender esto a un nudging de valores vectoriales para flujos totalmente separados y para automatizar el programa de ponderación para una aplicabilidad más amplia.